PyG搭建GCN需要準(zhǔn)備的數(shù)據(jù)格式
前言
有關(guān)GCN的原理可以參考：GCN圖卷積神經(jīng)網(wǎng)絡(luò)原理
一開始是打算手寫一下GCN，畢竟原理也不是很難，但想了想還是直接調(diào)包吧。在使用各種深度學(xué)習(xí)框架時(shí)我們首先需要知道的是框架內(nèi)的數(shù)據(jù)集結(jié)構(gòu)，因此這篇文章主要講講PyG中的數(shù)據(jù)結(jié)構(gòu)。
1. PyG數(shù)據(jù)集
原始論文中使用的數(shù)據(jù)集：
本篇文章使用Citeseer網(wǎng)絡(luò)。Citeseer網(wǎng)絡(luò)是一個(gè)引文網(wǎng)絡(luò)，節(jié)點(diǎn)為論文，一共3327篇論文。論文一共分為六類：Agents、AI（人工智能）、DB（數(shù)據(jù)庫）、IR（信息檢索）、ML（機(jī)器語言）和HCI。如果兩篇論文間存在引用關(guān)系，那么它們之間就存在鏈接關(guān)系。
使用PyG加載數(shù)據(jù)集：
data = Planetoid(root='/data/CiteSeer', name='CiteSeer') print(len(data))
輸出：
1
CiteSeer中只有一個(gè)網(wǎng)絡(luò)，然后我們輸出一下這個(gè)網(wǎng)絡(luò)：
data = data[0] print(data) print(data.is_directed())
輸出：
Data(x=[3327, 3703], edge_index=[2, 9104], y=[3327], train_mask=[3327], val_mask=[3327], test_mask=[3327]) False
x=[3327, 3703]。表示一共有3327個(gè)節(jié)點(diǎn)，然后節(jié)點(diǎn)的特征維度為3703，這里實(shí)際上是去除停用詞和在文檔中出現(xiàn)頻率小于10次的詞，整理得到3703個(gè)唯一詞。
edge_index=[2, 9104]，表示一共9104條edge。數(shù)據(jù)一共兩行，每一行都表示節(jié)點(diǎn)編號(hào)。
輸出一下data.y：
tensor([3, 1, 5, ..., 3, 1, 5])tensor([3, 1, 5, ..., 3, 1, 5])
data.y表示節(jié)點(diǎn)的標(biāo)簽編號(hào)，比如3表示該篇論文屬于第3類。
輸出data.train_mask：
tensor([ True, True, True, ..., False, False, False])
data.train_mask的長(zhǎng)度和y的長(zhǎng)度一致，如果某個(gè)位置為True就表示該樣本為訓(xùn)練樣本。val_mask和test_mask類似，分別表示驗(yàn)證集和訓(xùn)練集。
比如我們輸出：
print(data.y[data.test_mask])
結(jié)果為：
tensor([4, 5, 4, 4, 4, 1, 4, 2, 3, 3, 3, 3, 2, 3, 3, 4, 2, 0, 1, 2, 0, 3, 3, 4,
2, 4, 0, 4, 3, 3, 3, 5, 4, 5, 4, 5, 1, 1, 3, 3, 3, 3, 3, 1, 2, 3, 3, 3,
1, 2, 2, 3, 3, 1, 5, 5, 5, 3, 2, 3, 3, 3, 3, 3, 3, 3, 5, 1, 3, 1, 1, 4,
1, 3, 3, 1, 3, 3, 2, 4, 3, 3, 3, 1, 2, 2, 2, 3, 5, 2, 1, 3, 2, 2, 2, 4,
3, 3, 4, 0, 3, 1, 2, 2, 2, 2, 3, 2, 2, 2, 1, 1, 5, 2, 2, 1, 2, 4, 3, 1,
1, 3, 2, 3, 4, 3, 3, 4, 4, 3, 2, 2, 1, 3, 4, 4, 4, 4, 4, 4, 5, 0, 3, 1,
1, 3, 1, 3, 1, 3, 4, 4, 3, 2, 3, 5, 3, 3, 3, 4, 2, 2, 2, 5, 3, 1, 0, 3,
2, 5, 2, 3, 2, 4, 2, 2, 2, 0, 5, 1, 3, 4, 4, 4, 1, 1, 5, 1, 2, 0, 1, 0,
2, 2, 3, 3, 3, 3, 5, 4, 4, 3, 1, 1, 2, 1, 2, 2, 2, 2, 5, 0, 1, 2, 2, 4,
0, 4, 1, 1, 2, 3, 1, 1, 2, 3, 3, 5, 2, 5, 5, 3, 1, 0, 5, 5, 5, 5, 3, 3,
3, 0, 4, 5, 3, 4, 5, 4, 5, 2, 0, 5, 5, 5, 1, 1, 3, 1, 2, 2, 2, 3, 2, 4,
5, 3, 3, 1, 3, 1, 2, 2, 1, 3, 1, 3, 1, 2, 1, 2, 1, 2, 2, 2, 2, 5, 4, 4,
5, 0, 3, 4, 5, 4, 4, 4, 4, 4, 0, 0, 1, 4, 1, 1, 5, 0, 2, 2, 3, 3, 2, 2,
0, 0, 3, 2, 4, 1, 1, 0, 0, 1, 2, 2, 2, 2, 2, 0, 4, 0, 1, 4, 1, 1, 2, 2,
3, 3, 1, 3, 2, 4, 4, 0, 0, 3, 4, 4, 2, 2, 2, 5, 5, 2, 5, 5, 5, 5, 4, 0,
2, 2, 0, 2, 4, 5, 4, 0, 3, 3, 5, 3, 3, 4, 2, 1, 5, 5, 0, 1, 3, 3, 3, 5,
3, 3, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 4, 2, 2, 0, 2, 2, 2, 2, 4, 3, 3,
5, 5, 4, 5, 2, 4, 4, 4, 5, 5, 4, 2, 2, 3, 3, 4, 4, 3, 1, 3, 2, 0, 5, 5,
5, 3, 4, 1, 4, 0, 5, 5, 0, 3, 0, 2, 3, 5, 3, 4, 2, 2, 3, 5, 1, 5, 3, 4,
5, 5, 2, 2, 4, 3, 3, 3, 3, 2, 2, 2, 2, 2, 3, 0, 0, 5, 1, 2, 3, 3, 1, 3,
2, 4, 3, 1, 3, 3, 3, 3, 3, 1, 0, 5, 4, 4, 1, 1, 3, 4, 4, 4, 4, 5, 4, 2,
2, 2, 2, 2, 2, 2, 3, 2, 2, 2, 1, 4, 0, 1, 4, 4, 4, 1, 2, 1, 5, 5, 2, 4,
4, 2, 2, 3, 1, 1, 0, 0, 2, 1, 0, 1, 5, 1, 2, 2, 3, 2, 0, 0, 3, 3, 3, 2,
2, 2, 1, 1, 1, 3, 3, 3, 5, 3, 5, 2, 3, 2, 3, 1, 5, 2, 2, 3, 3, 3, 1, 1,
1, 3, 3, 3, 3, 4, 4, 1, 4, 4, 1, 3, 3, 1, 0, 3, 5, 4, 4, 2, 4, 1, 0, 3,
1, 4, 1, 4, 4, 0, 5, 3, 2, 2, 2, 5, 5, 0, 4, 4, 1, 2, 2, 3, 3, 3, 5, 5,
5, 1, 5, 1, 4, 3, 1, 5, 5, 4, 4, 2, 3, 1, 0, 0, 5, 3, 1, 2, 1, 4, 1, 4,
1, 2, 2, 5, 1, 2, 1, 4, 5, 5, 1, 4, 5, 5, 1, 1, 5, 5, 3, 1, 0, 0, 1, 0,
0, 2, 0, 4, 3, 4, 3, 3, 1, 2, 3, 5, 3, 5, 5, 5, 5, 5, 3, 4, 4, 5, 4, 2,
2, 5, 1, 4, 4, 4, 3, 1, 5, 3, 1, 3, 4, 2, 2, 4, 2, 1, 5, 2, 2, 5, 5, 3,
3, 4, 1, 1, 2, 5, 3, 4, 4, 4, 5, 5, 1, 5, 5, 1, 5, 5, 1, 1, 1, 4, 2, 3,
5, 4, 1, 1, 4, 5, 2, 3, 1, 2, 1, 4, 1, 4, 1, 1, 1, 0, 0, 1, 5, 0, 2, 1,
1, 5, 1, 1, 3, 2, 3, 3, 1, 1, 2, 3, 2, 3, 5, 5, 5, 5, 5, 5, 5, 5, 5, 3,
3, 5, 2, 2, 3, 4, 4, 4, 4, 0, 3, 0, 3, 4, 1, 1, 3, 3, 0, 4, 5, 0, 0, 0,
2, 1, 3, 4, 5, 2, 1, 1, 3, 3, 4, 4, 4, 2, 2, 1, 5, 4, 0, 5, 5, 4, 3, 4,
5, 0, 3, 0, 3, 4, 4, 3, 3, 3, 3, 3, 3, 3, 5, 2, 0, 0, 1, 0, 0, 0, 3, 1,
5, 3, 2, 3, 5, 3, 3, 3, 1, 5, 5, 5, 5, 1, 2, 1, 4, 5, 4, 3, 3, 5, 5, 1,
4, 2, 5, 4, 1, 4, 4, 4, 4, 5, 5, 4, 3, 4, 3, 5, 3, 3, 1, 1, 0, 4, 4, 3,
1, 1, 1, 1, 3, 3, 3, 4, 3, 1, 4, 1, 1, 3, 5, 5, 5, 4, 4, 1, 3, 1, 4, 3,
3, 3, 1, 2, 2, 5, 3, 2, 5, 1, 3, 3, 5, 5, 4, 0, 3, 5, 5, 5, 1, 2, 2, 4,
1, 4, 5, 5, 5, 4, 5, 2, 1, 5, 4, 4, 0, 3, 5, 4, 1, 3, 3, 5, 4, 2, 1, 0,
1, 3, 2, 4, 3, 2, 4, 4, 1, 1, 0, 3, 3, 3, 1, 5])
可以發(fā)現(xiàn)，我們輸出的是測(cè)試集的內(nèi)容。
那么很顯然，如果我們最終得到了預(yù)測(cè)值，我們就可以通過以下代碼來計(jì)算分類的正確數(shù)：
correct = int(pred[data.test_mask].eq(data.y[data.test_mask]).sum().item())
模型輸出的pred實(shí)際上包含了所有節(jié)點(diǎn)的預(yù)測(cè)值，而我們只需要取測(cè)試集中的內(nèi)容，即：
pred[data.test_mask]
然后再與data.y[data.test_mask]進(jìn)行比較，最后計(jì)算二者對(duì)應(yīng)位置相等的個(gè)數(shù)即可。
2. 構(gòu)造數(shù)據(jù)集
如果我們需要的數(shù)據(jù)集在PyG中沒有，我們就需要自己手動(dòng)構(gòu)造數(shù)據(jù)集。
例如對(duì)于一個(gè)無向圖，我們知道了其節(jié)點(diǎn)特征矩陣x：
x = torch.tensor([[-1, 1], [0, 1], [1, 3]], dtype=torch.float)
一共3個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)具有兩個(gè)特征。
然后我們知道了節(jié)點(diǎn)間的鄰接關(guān)系：
edge_index = torch.tensor([[0, 1, 1, 2],
[1, 0, 2, 1]], dtype=torch.long)
一共4條邊，第一條邊為0->1，第2條邊為1->0。
然后我們就可以構(gòu)造數(shù)據(jù)集：
data = Data(x=x, edge_index=edge_index)
有關(guān)GCN的實(shí)現(xiàn)放在下一篇文章！
以上就是PyG搭建GCN需要準(zhǔn)備的數(shù)據(jù)格式的詳細(xì)內(nèi)容，更多關(guān)于PyG搭建GCN數(shù)據(jù)格式的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！
相關(guān)文章
這篇文章介紹了Python中的re正則表達(dá)式模塊，文中通過示例代碼介紹的非常詳細(xì)。對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2022-05-05
opencv 圖像腐蝕和圖像膨脹的實(shí)現(xiàn)
這篇文章主要介紹了opencv 圖像腐蝕和圖像膨脹的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-07-07
跟老齊學(xué)Python之玩轉(zhuǎn)字符串(2)更新篇
本文是玩轉(zhuǎn)字符串的續(xù)篇，繼續(xù)對(duì)字符串的連接方法進(jìn)行介紹，以及字符串復(fù)制、字符串長(zhǎng)度、字符大小寫的轉(zhuǎn)換。非常不錯(cuò)的文章，希望對(duì)大家有所幫助2014-09-09
今天小編就為大家分享一篇tensorflow 初始化未初始化的變量實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2020-02-02
Python中號(hào)稱神仙的六個(gè)內(nèi)置函數(shù)詳解
這篇文章主要介紹了Python中號(hào)稱神仙的六個(gè)內(nèi)置函數(shù),今天分享的這6個(gè)內(nèi)置函數(shù)，在使用?Python?進(jìn)行數(shù)據(jù)分析或者其他復(fù)雜的自動(dòng)化任務(wù)時(shí)非常方便,需要的朋友可以參考下2022-05-05
詳解Python 2.6 升級(jí)至 Python 2.7 的實(shí)踐心得
本篇文章主要介紹了詳解Python 2.6 升級(jí)至 Python 2.7 的實(shí)踐心得，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-04-04
DataFrame中的object轉(zhuǎn)換成float的方法
下面小編就為大家分享一篇DataFrame中的object轉(zhuǎn)換成float的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-04-04
python使用百度或高德地圖獲取地理位置并轉(zhuǎn)換
用python處理地理位置是非常常見的需求,下面這篇文章主要給大家介紹了關(guān)于python使用百度或高德地圖獲取地理位置并轉(zhuǎn)換的相關(guān)資料,文中通過示例代碼介紹的非常詳細(xì),需要的朋友可以參考下2022-07-07
推薦10款最受Python開發(fā)者歡迎的Python IDE
這篇文章收集了一些對(duì)開發(fā)者非常有幫助的,最好的10款Python IDE,包括Vim,Eclipse with PyDev,Sublime Text,PyCharm等知明Python開發(fā)工具2018-09-09
MySQL是一款廣泛使用的關(guān)系型數(shù)據(jù)庫，而Python是一門流行的編程語言，在進(jìn)行數(shù)據(jù)庫操作時(shí)，二者的結(jié)合可以幫助我們更加高效地進(jìn)行操作和管理，這篇文章主要介紹了Python MySQL查詢限制,需要的朋友可以參考下2023-11-11